PyTorch学习(十三)过拟合
Posted My heart will go ~~
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了PyTorch学习(十三)过拟合相关的知识,希望对你有一定的参考价值。
过拟合:不能表达处理训练数据以外其他的数据。
解决方法1:增加数据量。
解决方法2:运用正规化。
过拟合中,W变化的比较大,所以在计算误差的时候做一些手脚,让学出来的曲线不会过于扭曲。
专门用在神经网络的正规化方法:droptout regularization,随机忽略掉一些神经元和神经的连接。处理过程大概为下面两张图:
丢掉一些神经元之后
对比是否丢掉神经元的结果代码如下:
import torch
import matplotlib.pyplot as plt
# torch.manual_seed(1) # reproducible
N_SAMPLES = 20#数据段个数
N_HIDDEN = 300#300个神经元去拟合20个数据量
# 训练数据
x = torch.unsqueeze(torch.linspace(-1, 1, N_SAMPLES), 1)
y = x + 0.3*torch.normal(torch.zeros(N_SAMPLES, 1), torch.ones(N_SAMPLES, 1))
# 测试数据
test_x = torch.unsqueeze(torch.linspace(-1, 1, N_SAMPLES), 1)
test_y = test_x + 0.3*torch.normal(torch.zeros(N_SAMPLES, 1), torch.ones(N_SAMPLES, 1))
# 显示数据
plt.scatter(x.data.numpy(), y.data.numpy(), c='magenta', s=50, alpha=0.5, label='train')
plt.scatter(test_x.data.numpy(), test_y.data.numpy(), c='cyan', s=50, alpha=0.5, label='test')
plt.legend(loc='upper left')
plt.ylim((-2.5, 2.5))
plt.show()
net_overfitting = torch.nn.Sequential(#原始的存在过拟合的网络
torch.nn.Linear(1, N_HIDDEN),
torch.nn.ReLU(),
torch.nn.Linear(N_HIDDEN, N_HIDDEN),
torch.nn.ReLU(),
torch.nn.Linear(N_HIDDEN, 1),
)
net_dropped = torch.nn.Sequential(#采用了dropout的网络
torch.nn.Linear(1, N_HIDDEN),
torch.nn.Dropout(0.5), # 加层,丢掉一半的神经元
torch.nn.ReLU(),
torch.nn.Linear(N_HIDDEN, N_HIDDEN),
torch.nn.Dropout(0.5), # 丢掉一半的神经元
torch.nn.ReLU(),
torch.nn.Linear(N_HIDDEN, 1),
)
print(net_overfitting) # net的结构
print(net_dropped)
optimizer_ofit = torch.optim.Adam(net_overfitting.parameters(), lr=0.01)
optimizer_drop = torch.optim.Adam(net_dropped.parameters(), lr=0.01)
loss_func = torch.nn.MSELoss()
plt.ion()
for t in range(500):
pred_ofit = net_overfitting(x)
pred_drop = net_dropped(x)
loss_ofit = loss_func(pred_ofit, y)
loss_drop = loss_func(pred_drop, y)
optimizer_ofit.zero_grad()
optimizer_drop.zero_grad()
loss_ofit.backward()
loss_drop.backward()
optimizer_ofit.step()
optimizer_drop.step()
if t % 10 == 0:
#预测的时候不需要屏蔽掉神经元
#变成预测模式,取消掉dropout
net_overfitting.eval()
net_dropped.eval() #
# 画图
plt.cla()
test_pred_ofit = net_overfitting(test_x)
test_pred_drop = net_dropped(test_x)
plt.scatter(x.data.numpy(), y.data.numpy(), c='magenta', s=50, alpha=0.3, label='train')
plt.scatter(test_x.data.numpy(), test_y.data.numpy(), c='cyan', s=50, alpha=0.3, label='test')
plt.plot(test_x.data.numpy(), test_pred_ofit.data.numpy(), 'r-', lw=3, label='overfitting')
plt.plot(test_x.data.numpy(), test_pred_drop.data.numpy(), 'b--', lw=3, label='dropout(50%)')
plt.text(0, -1.2, 'overfitting loss=%.4f' % loss_func(test_pred_ofit, test_y).data.numpy(), fontdict={'size': 20, 'color': 'red'})
plt.text(0, -1.5, 'dropout loss=%.4f' % loss_func(test_pred_drop, test_y).data.numpy(), fontdict={'size': 20, 'color': 'blue'})
plt.legend(loc='upper left'); plt.ylim((-2.5, 2.5));plt.pause(0.1)
# 神经元又放回去继续训练,drop的效用又发挥出来
net_overfitting.train()
net_dropped.train()
plt.ioff()
plt.show()
实验结果如下:
ok,又是学到新思路的一天。。。
以上是关于PyTorch学习(十三)过拟合的主要内容,如果未能解决你的问题,请参考以下文章
模型选择 + 过拟合和欠拟合 动手学深度学习v2 pytorch
翻译: 4.4. 模型选择Model Selection欠拟合Underfitting和过拟合Overfitting pytorch